Die vorliegende Arbeit ist in vier Kapitel untergliedert. Die Einleitung, das erste Kapitel, weist auf die Notwendigkeit und Aktualität der Krisenfrüherkennung hin und skizziert den Aufbau der Arbeit. Kapitel 2 ist den theoretischen Grundlagen gewidmet: Neben dem Begriff der „Unternehmenskrise“ mitsamt ihren Ursachen, Verläufen und Wirkungen wird der Kennzahlenbegriff, sowie dessen Aufgaben erläutert. Weiterhin wird in diesem Kapitel eine Unterscheidung zwischen Frühwarnung, Früherkennung und Frühaufklärung getroffen. Das 3. Kapitel behandelt den Einsatz von Kennzahlen als Früherkennungsinstrumente. Dabei werden die zu den strukturellen Analysen gehörenden Cash Flow-Analyse, Rentabilitätsanalyse und Liquiditätsanalyse vorgestellt. Die Brücke zur Detailanalyse wird mit Hilfe der Gap-Analyse geschlagen. Des Weiteren werden in diesem Kapitel Kennzahlensysteme und statistische Verfahren zur Krisenfrüherkennung vorgestellt. Zu diesen modernen Verfahren gehört zum einen die multivariate Diskriminanzanalyse (MDA), die auf der Analyse von Gruppenunterschieden beruht, und zum anderen die Künstlich Neuronale Netzanalyse (KNNA), welche das menschliche Gehirn als Vorbild hat. Schließlich wird in diesem Kapitel ein empirisches Modell, das Beatge-Bilanz-Rating® (BBR®) vorgestellt, welches auf der Basis eines Künstlich Neuronalen Netzes (KNN) funktioniert. Die Arbeit endet mit einer Schlussbetrachtung im 4. Kapitel.
Inhaltsverzeichnis
1 Einleitung
2 Theoretische Grundlagen
2.1 Unternehmenskrise
2.1.1 Begriff
2.1.2 Krisenursachen
2.1.3 Krisenverlauf
2.1.4 Krisenwirkungen
2.2 Kennzahlen
2.2.1 Begriff
2.2.2 Aufgaben
2.3 Unterscheidung zwischen Frühwarnung, Früherkennung und Frühaufklärung
3 Einsatz von Kennzahlen als Früherkennungsinstrumente
3.1 Strukturelle Analysen
3.2 Detailanalyse
3.3 Kennzahlensysteme
3.4 Statistische Verfahren zur Krisenfrüherkennung
3.4.1 Multivariate Diskriminanzanalyse
3.4.2 Künstliche Neuronale Netzanalyse
3.4.3 Baetge-Bilanz-Rating®
4 Schlussbetrachtung
Zielsetzung & Themen
Die vorliegende Arbeit zielt darauf ab, die Bedeutung der Krisenfrüherkennung für Unternehmen zu verdeutlichen und aufzuzeigen, wie Kennzahlen und moderne statistische Verfahren als effektive Frühwarninstrumente zur Sicherung der Wettbewerbsfähigkeit und Existenz eingesetzt werden können.
- Theoretische Einordnung von Unternehmenskrise und Kennzahlenbegriff
- Abgrenzung der Konzepte Frühwarnung, Früherkennung und Frühaufklärung
- Strukturelle Analysen und Detailanalysen mittels Kennzahlen
- Einsatz statistischer Verfahren wie der Diskriminanzanalyse
- Anwendung künstlicher neuronaler Netze zur Krisenprognose
Auszug aus dem Buch
3.4.2 Künstliche Neuronale Netzanalyse
Im Gegensatz zur MDA, welche eine lineare Trennung vollzieht, werden durch die nicht-lineare Trennung der KNNA α- und β-Fehler weiter reduziert. Als Vorbild der KNNA dient das menschliche Gehirn, bei welchem ein Informationsaustausch durch elektrische Impulse bei den einfach aufgebauten Nervenzellen (Neuronen) stattfindet.42
Ein Neuron besteht aus Dendriten, Zellkern, Axon und Synapsen (siehe Abb. 3-4). Das Neuron erhält über die Dendriten von anderen Neuronen elektrische Signale, diese werden im Zellkern zu einem Gesamtreiz addiert. Sobald dieser einen bestimmten Schwellenwert überschreitet, wird ein elektrischer Impuls über das Axon an die Synapsen weitergegeben. Die Synapsen können diesen Impuls verstärkt (excitatorische Synapse) oder gehemmt (inhibitorische Synapse) an Dendriten anderer Neuronen weitergeben. Im Falle einer excitatorischen Wirkung wird der Schwellenwert des nachgelagerten Neurons mit einer höheren Wahrscheinlichkeit überschritten als bei einer inhibitorischen Wirkung.43
Der Aufbau künstlicher Neuronen (auch Unit genannt) ähnelt den biologischen Neuronen. Das künstliche Neuron (siehe Abb. 3-5) empfängt die Signale e1 bis en von vorgelagerten Neuronen. Je nach Veränderung durch die Synapsen werden diese mit den Gewichten w1 bis wn multipliziert und mittels der Aktivierungsfunktion in der Unit zu einem Gesamtreiz zusammengefasst. Die Ausgabefunktion bestimmt, je nach Ergebnis der Aktivierungsfunktion, welcher Wert an die anderen Neuronen weitergegeben wird44.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung begründet die Notwendigkeit einer frühzeitigen Krisenerkennung angesichts der Finanzkrise und erläutert den Aufbau der Untersuchung.
2 Theoretische Grundlagen: Dieses Kapitel definiert den Begriff der Unternehmenskrise und ihrer Ursachen sowie die Grundlagen und Aufgaben von Kennzahlen.
3 Einsatz von Kennzahlen als Früherkennungsinstrumente: Dieses Kapitel präsentiert klassische Analysemethoden und moderne statistische Verfahren zur Identifikation von Unternehmensrisiken.
4 Schlussbetrachtung: Dieses Kapitel resümiert die Bedeutung von Kennzahlensystemen für das Krisenmanagement und betont die Notwendigkeit, moderne Modelle durch qualitative Faktoren zu ergänzen.
Schlüsselwörter
Krisenfrüherkennung, Unternehmenskrise, Kennzahlen, Frühwarnung, Bilanzanalyse, Cash-Flow-Analyse, Rentabilitätsanalyse, Gap-Analyse, Kennzahlensysteme, Diskriminanzanalyse, Künstliche Neuronale Netze, Baetge-Bilanz-Rating, Insolvenzrisiko, Krisenmanagement, Bonitätsbeurteilung
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt die Nutzung von betriebswirtschaftlichen Kennzahlen und statistischen Modellen, um Unternehmenskrisen in einem frühen Stadium zu identifizieren und Gegenmaßnahmen einzuleiten.
Was sind die zentralen Themenfelder der Untersuchung?
Im Zentrum stehen die theoretischen Grundlagen der Unternehmenskrisen, die operative Anwendung von Kennzahlen in der Bilanzanalyse sowie der Einsatz von modernen statistischen Verfahren zur Prognose von Insolvenzrisiken.
Was ist das primäre Ziel der Arbeit?
Das Hauptziel besteht darin, aufzuzeigen, wie durch eine Implementierung systematischer Krisenfrüherkennungssysteme die Existenz von Unternehmen gesichert werden kann.
Welche wissenschaftlichen Methoden werden verwendet?
Die Arbeit nutzt Literaturanalysen zur Definition theoretischer Grundlagen sowie die Untersuchung quantitativer statistischer Verfahren wie die multivariate Diskriminanzanalyse und künstliche neuronale Netze.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil befasst sich mit der praktischen Anwendung von Kennzahlen (Strukturelle Analysen, Detailanalysen) und stellt komplexe Verfahren wie den ROI-Baum sowie das Baetge-Bilanz-Rating vor.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wesentliche Begriffe sind Krisenfrüherkennung, Kennzahlen, Bilanzanalyse, Diskriminanzanalyse, Künstliche Neuronale Netze (KNN) und Bonitätsindex.
Wie unterscheiden sich Frühwarnung, Früherkennung und Frühaufklärung?
Während die Frühwarnung primär auf die Ortung von Risiken durch Soll-Ist-Vergleiche zielt, umfasst die Früherkennung zusätzlich Chancen. Die Frühaufklärung erweitert den Fokus um die informationelle Sicherung von Strategie und Steuerung.
Wie funktioniert das Baetge-Bilanz-Rating (BBR®)?
Das BBR® ist ein empirisch abgesichertes Verfahren, das auf einem mit dem Backpropagation-Algorithmus trainierten neuronalen Netz basiert, um aus 14 relevanten Kennzahlen einen Bonitätsindex zu ermitteln.
Warum ist das "Overtraining" bei neuronalen Netzen problematisch?
Ein zu langes Training führt dazu, dass das Netz die Daten auswendig lernt, anstatt allgemeingültige Merkmale zur Klassifizierung zu erkennen, was die Vorhersageleistung verschlechtert.
- Quote paper
- Sebastian Krißgau (Author), 2009, Krisenfrüherkennung in Unternehmen durch die Anwendung von Kennzahlen, Munich, GRIN Verlag, https://www.grin.com/document/142205
